Neural-DISCO 是研究者 Nico Policzer 與另外三位合作者提出的一種用於神經活動反事實建模的框架，論文以《Neural-DISCO: Source-Conditioned Counterfactual Editing of Neural Population Activity》為題發佈在 arXiv 上，編號為 arXiv:2610.33145v1，屬於機器學習（cs.LG）類別，同時涉及神經元與認知（q-bio.NC）方向。該論文被 NeurIPS 2026 接收為海報展示，提交時間為 2026 年 10 月 23 日（UTC 17:10:33），全文約 8,995 KB，代碼已在 GitHub 的 TangLab-UBC/Neural-DISCO-neurips 倉庫公開。
論文關注的系統神經科學核心問題是：神經活動究竟如何編碼行為變量與感覺變量。作者指出，僅憑標籤去預測神經活動的模型並不足夠，真正需要的是「以源響應為條件的反事實編輯」（source-conditioned counterfactual editing）能力。也就是説，給定一次真實記錄到的源神經響應，研究者應當能夠修改其中某一個已測量的行為或刺激標籤，並預測神經活動將如何隨之改變，同時保留其餘已觀測標籤以及無法由標籤解釋的、源響應特有的變異性。
為滿足這一需求，作者提出了 Neural-DISCO，一個基於解耦表示學習的反事實建模框架。其核心做法是把潛空間劃分為若干與標籤對應的分量，每個分量對應一個已觀測的行為或刺激標籤，另外再設置一個殘差潛變量，用來捕捉那些並非由已觀測標籤提供的變異性。這樣的結構使得模型可以對單個測量標籤進行選擇性編輯，從而生成反事實神經響應，同時儘量保持原始活動中的其餘內容不變。
作者在模擬數據集和真實神經記錄數據集上驗證了該方法：解耦後的潛空間結構確實支持對測量標籤的選擇性編輯，生成的反事實響應的同時保留了原始活動的其他成分。此外，為了解行為與刺激標籤在單神經元分辨率上是如何被編碼的，研究團隊將這一解耦框架與特徵歸因方法結合使用，從而識別出對每個標籤最為重要的神經元。實驗發現，解耦能夠提升對已知功能細胞角色的恢復能力，這一效果在合成數據和真實數據上均得到體現。
這些結果共同説明，Neural-DISCO 不僅可以作為神經活動的反事實建模框架，也為探究神經羣體如何編碼行為與感覺信息提供了一個實用的接口。作者在論文中強調，該工作將預測式建模推進到可干預、可解釋的反事實分析層面，並已通過公開代碼支持後續研究復現與擴展。